相关实验视频
Updated: Sep 17, 2025

07:40
Multi-Modal Home Sleep Monitoring in Older Adults
Published on: January 26, 2019
7.8K
验证智能床对睡眠呼吸暂停检测的多睡眠学.
Farzad Siyahjani1, Kostiantyn Kalenyk2, Gary Garcia-Molina3,4
1Sleep Number Labs, San Jose, CA, USA. farzad.siyahjani@sleepnumber.com.
Scientific reports
|July 2, 2025
概括
一个新的智能床算法准确地检测中度到重度的睡眠呼吸障碍 (SDB) 使用弹性心血管学. 这种非侵入性技术对早期SDB检测和个性化管理具有前景.
科学领域:
- 生物医学工程 生物医学工程
- 睡眠医学 睡眠医学
- 生理监测 生理监测
背景情况:
- 睡眠呼吸障碍 (SDB),包括阻塞性睡眠呼吸暂停 (OSA) 和中央睡眠呼吸暂停 (CSA),严重影响睡眠质量和健康.
- 当前的诊断方法往往依赖于繁的设备和专门的设置.
研究的目的:
- 评估一种用于检测SDB事件的新算法,使用来自智能床的弹性心脏图 (BCG) 数据.
- 评估算法估计呼吸暂停-呼吸暂停指数 (AHI) ≥15的能力,表明中度至严重的呼吸暂停.
主要方法:
- 开发和训练了一种新的算法,使用来自非侵入性智能床平台的BCG数据.
- 分析了104名参与者的数据,将算法估计的AHI与基于多睡眠学 (PSG) 的测量进行比较.
- 验证了算法在识别AHI≥15个人的性能.
主要成果:
- 该算法在识别中度至重度的呼吸暂停 (AHI ≥15) 时实现了83.3%的准确性.
- 在检测AHI≥15时,表现出76%的敏感度和85%的特异性.
- 证实了算法的捕获相关生理模式的能力,特别是对于CSA.
结论:
- 基于智能床的BCG算法显示了对SDB的不引人注目的纵向监测有很大的潜力.
- 这项技术可能有助于早期检测和个性化管理睡眠呼吸障碍.
- 计划通过多个夜晚的现实世界数据进行进一步验证,以提高概括性.
更多相关视频
05:51Assessing the Accuracy of Fitness Smartwatch Data for Cardiovascular and Physical Activity Monitoring: A Validation Study in Digital Health
Published on: February 21, 2025
678
07:54Drug-Induced Sleep Endoscopy DISE with Target Controlled Infusion TCI and Bispectral Analysis in Obstructive Sleep Apnea
Published on: December 6, 2016
20.0K